論文の概要: CapsDT: Diffusion-Transformer for Capsule Robot Manipulation

• arxiv url: http://arxiv.org/abs/2506.16263v1
• Date: Thu, 19 Jun 2025 12:25:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-23 19:00:05.0665
• Title: CapsDT: Diffusion-Transformer for Capsule Robot Manipulation
• Title（参考訳）: CapsDT: カプセルロボット操作のための拡散変換器
• Abstract要約: VLA(Vision-Language-Action)モデルが顕著な研究領域として登場し、様々な応用において大きな可能性を示している。 本研究では,胃内ロボット操作のためのDiffusion TransformerモデルであるCapsDTを設計する。 本研究では,ロボットアーム付き磁石によって制御されるカプセル内視鏡ロボットシステムを開発した。
• 参考スコア（独自算出の注目度）: 6.540622306548993
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Vision-Language-Action (VLA) models have emerged as a prominent research area, showcasing significant potential across a variety of applications. However, their performance in endoscopy robotics, particularly endoscopy capsule robots that perform actions within the digestive system, remains unexplored. The integration of VLA models into endoscopy robots allows more intuitive and efficient interactions between human operators and medical devices, improving both diagnostic accuracy and treatment outcomes. In this work, we design CapsDT, a Diffusion Transformer model for capsule robot manipulation in the stomach. By processing interleaved visual inputs, and textual instructions, CapsDT can infer corresponding robotic control signals to facilitate endoscopy tasks. In addition, we developed a capsule endoscopy robot system, a capsule robot controlled by a robotic arm-held magnet, addressing different levels of four endoscopy tasks and creating corresponding capsule robot datasets within the stomach simulator. Comprehensive evaluations on various robotic tasks indicate that CapsDT can serve as a robust vision-language generalist, achieving state-of-the-art performance in various levels of endoscopy tasks while achieving a 26.25% success rate in real-world simulation manipulation.
• Abstract（参考訳）: VLA(Vision-Language-Action)モデルが顕著な研究領域として登場し、様々な応用において大きな可能性を示している。 しかし、内視鏡ロボティクス、特に消化器系内での動作を行う内視鏡カプセルロボットにおけるそれらの性能は未解明のままである。 VLAモデルの内視鏡ロボットへの統合により、人間のオペレーターと医療機器とのより直感的で効率的な相互作用が可能になり、診断精度と治療結果の両方が改善される。 本研究では,胃内ロボット操作のためのDiffusion TransformerモデルであるCapsDTを設計する。 インターリーブされた視覚入力とテキスト命令を処理することにより、CapsDTは対応するロボット制御信号を推論し、内視鏡作業を容易にする。 さらに,ロボットアーム付き磁石で制御されるカプセルロボットであるカプセル内視鏡ロボットシステムを開発し,4つの内視鏡タスクのレベルに対処し,胃シミュレータ内で対応するカプセルロボットデータセットを作成する。 様々なロボットタスクに関する総合的な評価は、CapsDTが実世界のシミュレーション操作において26.25%の成功率を達成しつつ、様々なレベルの内視鏡タスクにおいて最先端のパフォーマンスを達成し、堅牢な視覚言語ジェネラリストとして機能できることを示している。

関連論文リスト

• Scene Graph-Driven Haptic Feedback for Safety Enhancement in Robotic Ophthalmic Surgery via Physically Simulated iOCT [2.7913039067663195]
  本稿では、シーングラフ(SG)を利用した網膜下注射作業のための新しい触覚フィードバックシステムを提案する。 SGは手術シーンのセマンティック抽象化層として機能し、決定論的ルールベースエンジンによってロボット入力装置に状態依存型触覚フィードバックを生成する。 その結果,SGによる触覚フィードバックにより手術精度が向上し,針のアライメント誤差が14%減少し,システムユーザビリティ尺度(SUS)のスコアが8%改善した。
  論文  参考訳（メタデータ） (2026-09-07T18:16:37Z)
• Point Cloud Segmentation for Autonomous Clip Positioning in Laparoscopic Cholecystectomy on a Phantom [18.991664638461227]
  腹腔鏡下手術において,身体ファントムに自律的なクリップ位置決めを行うロボットシステムについて紹介する。 128,000個の合成点雲の事前学習と2つの新しいデータ拡張技術を組み合わせることでこれを克服する。 実際のロボット実験において,本システムは95%の成功率で0.75mmの精度で目標をローカライズし,100%の成功率で自律的なクリップ位置決めを行う。
  論文  参考訳（メタデータ） (2026-06-10T13:12:45Z)
• Open-H-Embodiment: A Large-Scale Dataset for Enabling Foundation Models in Medical Robotics [131.25998619318702]
  医療用ロボットビデオの最大のオープンデータセットであるOpen-H-Embodimentを紹介した。 GR00T-Hは、医療ロボティクスのための最初のオープン・ファンデーション・ビジョン・ランゲージ・アクション・モデルである。 我々は,多体手術シミュレーションを可能にする最初の行動条件世界モデルであるCosmos-H-Surgical-Simulatorを訓練する。
  論文  参考訳（メタデータ） (2026-04-22T19:05:17Z)
• Learning Surgical Robotic Manipulation with 3D Spatial Priors [73.00031539525202]
  本稿では,3次元空間認識を持つ手術ロボットを支援する,終端から終端までのバイスモータポリシーであるSSTを紹介した。 立体内視鏡画像から頑健な3次元潜伏表現を抽出するために、手術3Dに基づいて強力な幾何学変換器を微調整する。 SSTは、複雑な外科手術における最先端性能と強力な空間一般化を実現する。
  論文  参考訳（メタデータ） (2026-03-04T07:19:56Z)
• Robotic Grasping and Placement Controlled by EEG-Based Hybrid Visual and Motor Imagery [64.82869118243723]
  本稿では,脳波に基づく視覚・運動画像(VI/MI)とロボット制御を統合し,リアルタイム・意図駆動型把握・配置を実現するフレームワークを提案する。 このシステムは、BCI駆動のロボット工学の約束に感銘を受けて、オフラインで事前訓練されたデコーダをゼロショットで展開することによって、ニューラルネットワークを物理的制御でブリッジする。
  論文  参考訳（メタデータ） (2026-03-03T17:41:42Z)
• MiVLA: Towards Generalizable Vision-Language-Action Model with Human-Robot Mutual Imitation Pre-training [102.850162490626]
  人間のロボットによる相互模倣事前学習による視覚-言語-行動モデルであるMiVLAを提案する。 MiVLAは、最先端のVLAよりも優れた、強力な改良された一般化能力を実現する。
  論文  参考訳（メタデータ） (2025-12-17T12:59:41Z)
• RobotSeg: A Model and Dataset for Segmenting Robots in Image and Video [56.9581053843815]
  画像とビデオにおけるロボットセグメンテーションの基礎モデルであるRobotSegを紹介する。 ロボットへの適応の欠如、手動のプロンプトへの依存、フレーム単位のトレーニングマスクアノテーションの必要性に対処する。 それは、画像とビデオの両方で最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2025-11-28T07:51:02Z)
• FAST: Efficient Action Tokenization for Vision-Language-Action Models [98.15494168962563]
  離散コサイン変換に基づくロボット動作のための圧縮に基づく新しいトークン化手法を提案する。 FASTをベースとしたFAST+は,100万個のリアルロボットアクショントラジェクトリに基づいて訓練されたユニバーサルロボットアクショントークンである。
  論文  参考訳（メタデータ） (2025-01-16T18:57:04Z)
• LLaRA: Supercharging Robot Learning Data for Vision-Language Policy [56.505551117094534]
  我々はLLaRA: Large Language and Robotics Assistantを紹介した。 まず、既存の行動クローニングデータセットからロボットのための会話スタイルの指導データを生成する自動パイプラインを提案する。 このようなデータセットを限定的に微調整したVLMは、ロボット制御において有意義な行動決定を導出できることを示す。
  論文  参考訳（メタデータ） (2024-06-28T17:59:12Z)
• Creating a Digital Twin of Spinal Surgery: A Proof of Concept [68.37190859183663]
  手術デジタル化は、現実世界の手術の仮想レプリカを作成するプロセスである。 脊椎外科手術に応用した手術デジタル化のための概念実証(PoC)を提案する。 5台のRGB-Dカメラを外科医の動的3D再構成に、ハイエンドカメラを解剖学の3D再構成に、赤外線ステレオカメラを手術器具追跡に、レーザースキャナーを手術室の3D再構成とデータ融合に使用した。
  論文  参考訳（メタデータ） (2024-03-25T13:09:40Z)
• RoboScript: Code Generation for Free-Form Manipulation Tasks across Real and Simulation [77.41969287400977]
  本稿では,コード生成を利用したデプロイ可能なロボット操作パイプラインのためのプラットフォームである textbfRobotScript を提案する。 自由形自然言語におけるロボット操作タスクのためのコード生成ベンチマークも提案する。 我々は,Franka と UR5 のロボットアームを含む,複数のロボットエボディメントにまたがるコード生成フレームワークの適応性を実証した。
  論文  参考訳（メタデータ） (2024-02-22T15:12:00Z)
• General-purpose foundation models for increased autonomy in robot-assisted surgery [4.155479231940454]
  本稿では,ロボット支援手術における自律性向上を目指す。 手術ロボットは汎用モデルの利点を享受し,ロボット支援手術における自律性向上に向けた3つの指針を提供する。
  論文  参考訳（メタデータ） (2024-01-01T06:15:16Z)
• RoboCat: A Self-Improving Generalist Agent for Robotic Manipulation [33.10577695383743]
  ロボット操作のためのマルチタスク汎用エージェントRoboCatを提案する。 このデータは、シミュレートされた本物のロボットアームから、さまざまな観察とアクションのセットでモーターコントロールスキルの大規模なレパートリーにまたがる。 RoboCatでは、ゼロショットだけでなく、100-1000例のみを用いて適応することで、新しいタスクやロボットに一般化する能力を実証する。
  論文  参考訳（メタデータ） (2023-06-20T17:35:20Z)
• Robot Learning with Sensorimotor Pre-training [98.7755895548928]
  ロボット工学のための自己教師型感覚運動器事前学習手法を提案する。 我々のモデルはRTTと呼ばれ、センサモレータトークンのシーケンスで動作するトランスフォーマーである。 感覚運動の事前学習は、ゼロからトレーニングを一貫して上回り、優れたスケーリング特性を持ち、さまざまなタスク、環境、ロボット間での移動を可能にしている。
  論文  参考訳（メタデータ） (2023-06-16T17:58:10Z)
• Collaborative Robotic Ultrasound Tissue Scanning for Surgical Resection Guidance in Neurosurgery [1.372026330898297]
  本研究の目的は、自律型iUS組織スキャンのためのロボットプラットフォームを導入することである。 提案プラットフォームの重要な応用は、腫瘍切除をガイドする脳組織のスキャンである。
  論文  参考訳（メタデータ） (2023-01-19T17:05:07Z)
• Robotic Navigation Autonomy for Subretinal Injection via Intelligent Real-Time Virtual iOCT Volume Slicing [88.99939660183881]
  網膜下注射のための自律型ロボットナビゲーションの枠組みを提案する。 提案手法は,機器のポーズ推定方法,ロボットとi OCTシステム間のオンライン登録,およびインジェクションターゲットへのナビゲーションに適した軌道計画から構成される。 ブタ前眼の精度と再現性について実験を行った。
  論文  参考訳（メタデータ） (2023-01-17T21:41:21Z)
• ColibriDoc: An Eye-in-Hand Autonomous Trocar Docking System [46.91300647669861]
  コンピュータビジョンとロボットセットアップを組み合わせた,自律型トロカードッキングプラットフォームを提案する。 キューバのColibri(ハミングバード)にインスパイアされたそのくちばしは、視覚だけで花に合わせる。
  論文  参考訳（メタデータ） (2021-11-30T13:21:37Z)
• Using Conditional Generative Adversarial Networks to Reduce the Effects of Latency in Robotic Telesurgery [0.0]
  手術では、どんなマイクロ遅延でも重傷を負い、場合によっては致命傷を負うことがある。 現在の外科用ロボットは、腕や道具の位置を測定するために校正されたセンサーを使用している。 本研究は、患者の組織に関するツール位置を測定するための、純粋に光学的なアプローチを提案する。
  論文  参考訳（メタデータ） (2020-10-07T13:40:44Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。